将数组的行连接成一维数组的有效算法方法答案

【问题标题】：efficient algorithmic method to concatenate rows of an array into a 1-D array将数组的行连接成一维数组的有效算法方法
【发布时间】：2015-05-03 17:19:00
【问题描述】：

我正在使用 Numpy 来处理一些非常奇怪的表格数据。数据条目总是以每列 1200 个条目的形式出现。

但是，行数总是变化的。有时我导入的表有 12 行（即 numpy ndarray.shape = (12, 1200)，总条目数为 1200 乘以 12，即 1200*12 = 14400。）有时表有 6 行（形状 = (6, 1200)），依此类推.这里没有模式。

列数始终为 1200，但行数始终变化。我不知道有多少行，所以我不能写出某种数学公式。

我想使用numpy.concatenate 将我给定的每个数组放入一维ndarray。（对于我们上面的示例，这将是 shape = (1, 14400)。）

到目前为止，对于每个单独的数组，我必须将它单独分解为 N 个数组（N = 未知的行数），然后单独连接它们。

或者，为了编写for 语句，我必须找到行数，并为每个数组手动设置for 语句。

有更好的方法的想法吗？这需要永远。

编辑：抱歉，将“行”和“列”混合在一起。我重新输入了上面的帖子以反映这一点。是的，数组的形状始终为(n, 1200). So, the format is(rows, columns)`，并且列始终为 1200。

进一步的问题：我关于numpy.reshape 的问题是数据的顺序是否改变了。那么，对于一个有 6 行，形状 (6, 1200) 的数组，numpy.reshape() 是否会返回一个数组形状 (1, 72000) 以保留原始顺序？也就是说，

newarray = array([row 1, row 2, row 3, row 4, row 5, row 6])

【问题讨论】：

更直接地说，他说“行数总是变化”和“行数始终是1200”。
您的描述中似乎混合了行和列。数组的形状是否一致 (n,1200)？
@hpaulji 是的，数组的形状一致为(n, 1200). So, the format is (rows, columns)`，列一致为 1200。

标签： python arrays algorithm numpy

【解决方案1】：

解决您所问问题类型的几种方法是：

import numpy as np

x = np.ones((6, 12000))

a = np.reshape(x, (1, -1))

b = np.concatenate([x[i,:] for i in range(x.shape[0])])

print x.shape     # (6, 12000)
print a.shape     # (1, 72000)
print b.shape     # (72000,)

reshape的优点是它不复制数据，所以速度很快，但由于只是对旧数据的新视图，更改a也会更改x。当然，你也可以只复制重构后的数组来获取单独的数据。

concatenate 将在此处进行复制，但请注意，复制的项目再次只是原始 x 的视图，因此每个元素只有一个副本。使串联数组具有(1, 72000) 的形状对我来说似乎有点做作，所以我没有这样做，但如果这是你真正想要的，那当然是可能的。

下面是一个示例，用于了解 reshape 中的排序如何工作：

x2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
c = np.reshape(x2, (1, -1))

print x2
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]

print c
#  [[1 2 3 4 5 6 7 8 9]]

【讨论】：

我对@987654329@的问题是数据的顺序是否改变了。那么，对于一个有 6 行的数组，形状为 (6, 1200)，numpy.reshape() 是否会返回一个数组形状 (1, 72000)，从而保留原始顺序？即arr = array([row 1, row 2, row 3, row 4, row 5, row 6])?
@JesseTrevve：我添加了一个示例，展示了reshape 的排序方式，我认为这正是您想要的。（另外，如果你想要相反的行为，你可以先transpose 然后reshape，所有这些都不需要复制实际数据。）
Nitpick：尽管在您展示的情况下，reshape 确实返回了一个视图，但通常reshape 方法确实有时会复制数据，如果结果可以' t 用视图来表示。（例如：x = np.zeros((2, 4))[:, :3]; y = x.reshape(6)。）

【解决方案2】：

所以你有几个形状为(n,1200)的数组

制作一些更简单的示例。会更容易看到发生了什么。

a = np.arange(12).reshape(2,6)
#array([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11]])

注意数字是如何增加的

b = np.arange(18).reshape(3,6)
c = np.concatenate([a,b], axis=0)

生产

array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17]])

由于只是第一个维度发生变化，因此沿该维度连接没有问题。 np.vstack 做同样的事情。

如何在展平后加入数组：

np.concatenate([a.flatten(),b.flatten()])
# array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11,  0,  1,  2,  3,  4, 5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17])

c.flatten() 会得到同样的结果。（flatten、ravel、reshape 基本上都做同样的事情。）

np.concatenate(c,axis=0)
np.concatenate([c[0,:],c[1,:],c[2,:]...],axis=0)

concatenate 也可以用于flatten 一个数组，但这不是常用的方法。实际上，它与按行拆分并连接它们相同。请注意，np.vstack(c) 不是一回事。

【讨论】：